Meta-análisis

 

# Load packages 
library(pacman)
pacman::p_load(glue)
pacman::p_load(DT)
pacman::p_load(magick)

En este documento se muestran los resultados del metaanálisis de los estudios: GSE20950, GSE141432 para el contraste Ob_IR.M - Ob_IS.M.
 

Tomando un p valor ajustado por BH < 0.05 encontramos 187 genes significativos.
 

Tabla de resultados

 

DT = get(load("/home/rmoldovan/T2D-Meta-Analysis/Data/MA/Diabetes/IDM/Meta-analysis_2_DF.RData"))
datatable(DT, options = list(caption = "Resultados del metaanálisis.",
                              scrollX = TRUE),
                              filter = "top")

 

Representación gráfica

 

Aquí se muestran las figuras características del metaanálisis para los genes significativos tomando un p valor ajustado por BH < 0.05.
 

# Función para repesentar las figuras
grid_img <- function(list_fig, dir, patt, dim = 300){
  # Abrimos todas las filas:
  forest_plots = c()
  funnel_plots = c()
  influ_plots = c()
  for (fig in list_fig){
    f1 = glue("{fig}forest.svg")
    out1 <- magick::image_read(paste0(dir, "/", f1))
    forest_plots = c(forest_plots, image_scale(out1, dim))
    
    f2 = glue("{fig}funnel.svg")
    out2 <- magick::image_read(paste0(dir,"/", f2))
    funnel_plots = c(funnel_plots, image_scale(out2, dim))  
    
    f3 = glue("{fig}influence.svg")
    out3 <- magick::image_read(paste0(dir,"/", f3))
    influ_plots = c(influ_plots, image_scale(out3, dim))
  } 
  
  lim = length(forest_plots)
  grid = NULL
  for ( i in seq(list_fig)){
    a = forest_plots[[i]]
    b = funnel_plots[[i]]
    c = influ_plots[[i]]
    
    fila <- image_append(c(a, b, c))
    
    if(is.null(grid)){
      grid = fila
    }else{
      grid = image_append(c(grid,fila),  stack = TRUE)
    } 
  }
    return(grid)
}